
Fonaments de la Visió Artificial
Codi: 108267Crèdits: 6
| Titulació | Tipus | Curs |
|---|---|---|
| Intel·ligència Artificial / Bachelor in Artificial Intelligence | OB | 2 |
Professor/a de contacte
- Nom :
- Guillermo Torres
- Correu electrònic :
- guillermo.torres@uab.cat
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
No hi ha prerequisits. Aquesta assignatura és autocontinguda, tot i que es recomana haver superat les assignatures de primer curs relacionades amb les matemàtiques i la programació.
Objectius
L’objectiu general de l’assignatura és introduir l’estudiant en els fonaments de la visió artificial i de la visió per computador, proporcionant-li els coneixements i les eines necessaris per comprendre, implementar i analitzar tècniques bàsiques de processament, representació i anàlisi d’imatges.
L’assignatura pretén que l’estudiant sigui capaç de relacionar els fonaments matemàtics i algorítmics de la visió artificial amb la seva aplicació pràctica en problemes de reconeixement visual. Per a això, es treballaran de manera progressiva els processos de formació i representació de la imatge digital, el filtratge, l’extracció de característiques, la descripció visual i la resolució de problemes bàsics de visió per computador.
En finalitzar l’assignatura, l’alumnat haurà de ser capaç de:
- comprendre els principis bàsics del sistema visual humà i la seva relació conceptual amb els sistemes artificials de visió;
- identificar els elements principals que intervenen en la formació, adquisició i representació d’imatges digitals;
- aplicar tècniques bàsiques de processament d’imatges, incloent-hi filtratge lineal, filtratge no lineal i operacions morfològiques;
- extreure i analitzar característiques visuals rellevants, com ara contorns, cantonades i blobs;
- utilitzar descriptors de color, textura i forma per representar informació visual;
- formular i resoldre problemes bàsics de visió per computador, incloent-hi detecció, classificació i representació mitjançant Bag of Words;
- implementar algorismes de visió artificial en Python, interpretar-ne els resultats i analitzar-ne les limitacions;
- integrar conceptes teòrics i pràctics per dissenyar solucions senzilles a problemes de visió artificial;
- desenvolupar una actitud crítica davant dels resultats obtinguts, considerant l’efecte dels paràmetres, les dades d’entrada i les decisions metodològiques.
Resultats d'aprenentatge
- CM12 (Construir solucions a problemes complexos d’intel·ligència artificial basades en la selecció de les tècniques més adequades de processament d’imatges i aprenentatge computacional aplicat a la visió artificial.) Construir solucions a problemes complexos d’intel·ligència artificial basades en la selecció de les tècniques més adequades de processament d’imatges i aprenentatge computacional aplicat a la visió artificial.
- KM29 (Identificar els fonaments matemàtics i algorítmics en els quals es basen les tècniques de processament d’imatges de baix nivell, d’optimització i d’aprenentatge computacional aplicat a la visió artificial.) Identificar els fonaments matemàtics i algorítmics en els quals es basen les tècniques de processament d’imatges de baix nivell, d’optimització i d’aprenentatge computacional aplicat a la visió artificial.
- SM32 (Utilitzar algoritmes i tècniques de processament d’imatges, així com arquitectures i models d’aprenentatge profund existents, per al disseny i la implementació de sistemes de visió per computador per als diferents tipus de problemes de reconeixement visual.) Utilitzar algoritmes i tècniques de processament d’imatges, així com arquitectures i models d’aprenentatge profund existents, per al disseny i la implementació de sistemes de visió per computador per als diferents tipus de problemes de reconeixement visual.
- SM33 (Dur a terme la preparació de dades, l’entrenament i la validació i l’anàlisi de models en tot tipus de problemes de visió artificial.) Dur a terme la preparació de dades, l’entrenament i la validació i l’anàlisi de models en tot tipus de problemes de visió artificial.
Continguts
1. Introducció a la visió artificial
- Sistema Visual Humà
- Model de Marr
2. Formació i representació de la imatge digital
- Llum, escena i color
- Òptiques i càmeres
- Mostreig i quantificació
- Tipus d’imatges
3. Processament d’imatges
- Filtratge lineal
- Filtratge no lineal
4. Extracció de característiques
- Contorns
- Cantonades
- Blobs
5. Descriptors de característiques
- Color
- Textura
- Forma
6. Introducció a problemes bàsics de visió per computador
- Detecció
- Classificació
- Representació mitjançant Bag of Words (BoW)
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Estudi autònom i preparació | 53 | 2,12 | KM29, SM32 |
| Clase de Teoría y Problemas | 26 | 1,04 | KM29, SM32 |
| Realització de problemes avaluables | 8 | 0,32 | CM12, KM29, SM32, SM33 |
| Realització d’exercicis bàsics | 10 | 0,4 | CM12, KM29, SM32 |
| Realització de problemes a casa | 20 | 0,8 | CM12, KM29, SM32, SM33 |
| Realització de les pràctiques en grup | 21 | 0,84 | CM12, SM32, SM33 |
L’assignatura seguirà una metodologia d’aprenentatge actiu basada en la resolució guiada i progressiva de problemes. Els continguts s’organitzaran en blocs temàtics que combinaran explicacions conceptuals, exemples resolts, discussió de casos i activitats pràctiques relacionades amb els fonaments de la visió artificial.
Després de les sessions expositives, l’alumnat podrà treballar problemes opcionals de reforç. Aquests problemes tindran una finalitat formativa: facilitar la pràctica autònoma, consolidar els conceptes treballats a classe, detectar dubtes i preparar les activitats avaluables posteriors. La seva realització serà voluntària i no substituirà les activitats d’avaluació establertes.
A més, al llarg del curs es proposaran problemes avaluables associats als principals blocs de contingut. Aquests problemes s’hauran de lliurar en els terminis indicats i formaran part de l’avaluació continuada de l’assignatura. El seu objectiu serà comprovar la capacitat de l’alumnat per aplicar tècniques de formació i representació d’imatges, processament d’imatges, filtratge, extracció i descripció de característiques, i resolució de problemes bàsics de visió per computador.
Després del lliurament dels problemes avaluables, es realitzaran sessions de correcció i retroalimentació. En aquestes sessions es comentaran els criteris de resolució, els errors freqüents i les estratègies de millora. La retroalimentació estarà orientada a fer que l’alumnat pugui aplicar les correccions rebudes en activitats posteriors.
Un cop treballats i corregits diversos conjunts de problemes, es realitzaran activitats d’avaluació individual per comprovar el grau de comprensió, aplicació i integració dels continguts. Aquestes activitats estaran alineades amb els continguts explicats, els problemes de reforç i els problemes avaluables lliurats prèviament.
La metodologia es podrà adaptar durant el semestre en funció del ritme del grup, de les dificultats detectades i dels resultats obtinguts en les activitats formatives i avaluables. La comunicació de materials, lliuraments, indicacions, feedback i activitats de seguiment es realitzarà a través del Campus Virtual de la UAB.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Avaluació de práctiques | Vegeu l’apartat d’avaluació de la memòria | 4 | 0,16 | CM12, KM29, SM32, SM33 |
| Segon Examen Parcial | Vegeu l’apartat d’avaluació de la memòria | 2,5 | 0,1 | CM12, KM29, SM32 |
| Examen de recuperació | Vegeu l’apartat d’avaluació de la memòria | 3 | 0,12 | CM12, KM29, SM32, SM33 |
| Primer Examen Parcial | Vegeu l’apartat d’avaluació de la memòria | 2,5 | 0,1 | KM29, SM32 |
Se seguirà un procediment d’avaluació continuada, en què les activitats realitzades al llarg del curs contribuiran a la nota final. Aquesta assignatura no preveu el sistema d’avaluació única.
La nota final de l’assignatura es calcularà a partir de dos components principals:
- teoria: 70% de la nota final;
- pràctica: 30% de la nota final.
Càlcul de la nota final (FM)
Totes les qualificacions s’expressen sobre 10 punts.
FM = 0.7 * EX + 0.3 * PR
EX = 0.5 * EX1 + 0.5 * EX2 + OPextra
PR = 0.2 * PB1 + 0.2 * PB2 + 0.2 * PB3 + 0.4 * PB4
L’assignatura s’aprova si i només si es compleixen simultàniament les tres condicions següents:
- teoria superada (d’acord amb els criteris definits a l’apartat “Avaluació de teoria”);
- pràctica superada (d’acord amb els criteris definits a l’apartat “Avaluació de pràctica”);
- FM >= 5.0.
on:
- EX1 és la nota del primer examen parcial;
- EX2 és la nota del segon examen parcial;
- OPextra correspon als punts addicionals obtinguts mitjançant problemes opcionals de reforç;
- EX és la nota de teoria;
- PB1, PB2, PB3 i PB4 corresponen a les notes dels problemes avaluables;
- PR és la nota dels problemes avaluables;
- FM és la nota final de l’assignatura.
Avaluació de teoria:
- A efectes del càlcul anterior, si un estudiant recupera un parcial, la nota obtinguda en la recuperació d’aquest parcial substituirà la nota obtinguda inicialment.
- Un examen es considera aprovat si la qualificació obtinguda és igual o superior a 5.0 punts.
- Els exàmens parcials EX1 i EX2 s’aproven de manera independent.
- L’aprovació d’un parcial implica que l’estudiant no haurà de tornar a presentar-se a examen d’aquesta part de l’assignatura. Si la nota d’un parcial és inferior a 5.0, l’estudiant haurà de recuperar aquest parcial complet en l’examen de recuperació.
- L’examen de recuperació no és global: cada estudiant recuperarà de manera completa el parcial o els parcials no superats.
- Es considera la teoria superada únicament quan els dos parcials han estat aprovats, ja sigui en l’avaluació ordinària o mitjançant la recuperació del parcial corresponent.
- Els problemes opcionals de reforç (OPextra) sumen punts addicionals a la nota de teoria (EX), però no es podran utilitzar per sumar punts a exàmens parcials, examen de recuperació o problemes avaluables per tal d’assolir la nota mínima requerida. Els problemes opcionals no tenen recuperació.
Avaluació de pràctica:
- És obligatori lliurar cada problema avaluable: PB1, PB2, PB3 i PB4. En cas contrari, no es podrà superar aquesta part del curs.
- Els lliuraments dels problemes avaluables es faran a través del Campus Virtual.
- Els lliuraments fora de termini podran obtenir com a màxim una puntuació de 5 punts.
- Els problemes avaluables no tenen recuperació.
- En cas de dubtes sobre l’autoria o la contribució individual dins del grup, la qualificació passarà a ser individual, assignant la nota en funció de l’aportació de cada membre.
- Es considera la pràctica superada si s’han lliurat tots els problemes avaluables (PB1, PB2, PB3 i PB4) i PR >= 5.0.
Altres aspectes rellevants:
- No es convaliden pràctiques, exercicis ni exàmens de cursos anteriors.
- En cas de no lliurar un examen o una part de la pràctica, la nota d’aquesta part serà zero.
- La nota final serà “no avaluable” si l’estudiant no ha presentat cap activitat avaluable.
- La qualificació de Matrícula d’Honor (MH) es concedirà discrecionalment a estudiants amb una nota final superior a 9.0, valorant totes les activitats realitzades.
- Les dates de lliurament i avaluació es publicaran al Campus Virtual i podran modificar-se en cas d’incidències, informant-ne sempre mitjançant aquest mateix mitjà.
- Per als exàmens escrits s’indicarà data i lloc per a la revisió per part de l’estudiant; si no hi assisteix, no es farà cap revisió posterior.
- Els plagis, còpies o qualsevol irregularitat en activitats avaluables suposaran una qualificació de zero en aquesta activitat, sense possibilitat de recuperació en el mateix curs acadèmic, i, si escau, la qualificació de suspens de l’assignatura.
- En cap cas es podrà utilitzar intel·ligència artificial (IA) generativa per suplantar l’activitat d’aprenentatge de l’estudiant. Les tasques sospitoses d’haver estat generades per aquestes tècniques s’avaluaran amb un 0.
Ús de la IA:
- Les eines d’intel·ligència artificial es podran utilitzar com a eines de suport a l’aprenentatge, per exemple, per millorar la redacció, l’estil, la claredat expositiva, la correcció lingüística o per obtenir assistència en aspectes tècnics. En cap cas podran substituir i/o suplantar l’activitat d’aprenentatge de l’estudiant, ni la seva adquisició dels coneixements específics de l’assignatura.
- No és acceptable utilitzar eines d’intel·ligència artificial per generar continguts del treball que estiguin sotmesos a avaluació. Les tasques/activitats avaluables que se sospiti que han estat generades per una IA en lloc de l’estudiant seran considerades com una còpia i s’avaluaran amb un 0.
Bibliografia
Simon J.D. Prince, Computer Vision: Models, Learning, and Inference, Cambridge University Press, 2012.(http://www.computervisionmodels.com/)
David A. Forsyth and Jean Ponce, Computer Vision: A Modern Approach (2nd Edition), Prentice Hall 2011.
Rafael C. Gonzalez and Richard E. Woods, Digital Image Processing (3rd Edition), Prentice Hall 2007.
Richard Szeliski, Computer Vision: Algorithms and Applications, Springer (Texts in computer Science) 2011. (http://szeliski.org/Book/)
Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016. (http://www.deeplearningbook.org)
Aurélien Géron, Hands-On Machine Learning with Scikit-Learn & TensorFlow, O'Reilly, 2017.
Cursos en línia:
Curs en línia, Coursera MOOC: Image and Video Processing: From Mars to Hollywood with a Stop at the Hospital. (https://www.coursera.org/course/images)
Curs en línia, Coursera MOOC: Object Detection (UAB). (https://www.coursera.org/learn/deteccion-objetos)
Curs en línia, Coursera MOOC: Fundamentals of Digital Image and Video Processing. (https://www.coursera.org/course/digital)
Curs en línia, edX MOOC: Introduction to Computer Vision: Application Development with OpenCV. (https://www.edx.org/course/introduccion-la-vision-por-computador-uc3mx-isa-1x)
Programari
S’utilitzarà Python per a la programació dels algorismes. Es recomana l’ús de l’entorn de desenvolupament Spyder, ja que integra editor, consola interactiva, explorador de variables i eines de depuració en temps d’execució. També es podran utilitzar altres entorns equivalents, sempre que permetin una interacció fluida amb l’intèrpret de Python i la depuració pas a pas del codi. No es permet l’ús de Jupyter Notebooks per a les entregues avaluables.
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Tipus de docència | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (TE) Teoria | 1 | Anglès | primer quadrimestre | tarda |
| (PAUL) Pràctiques d'aula | 1 | Anglès | primer quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 1 | Anglès | primer quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 2 | Anglès | primer quadrimestre | tarda |